datawhalechina /Agent-Learning-Hub
AI Agent 学习路线与资料库收集
★ 9,414⑂ 935👁 15⑃ 18● 3▤ 0
More from this author
+10
Daily
9,414
stars
935
forks
15
watchers
18
prs
3
issues
0
releases
README
Agent Learning Hub A curated AI Agent learning roadmap for people who want to build useful, reliable agents instead of collecting random links. 这个仓库只维护一个核心展示面:README。目标是把社区里优秀分享、官方博客、论文、开源项目和真实工程经验,整理成一份可以照着执行的 AI Agent 学习 todo list。 Maintainer Curated by 陈思州 (Datawhale 成员) How To Use - 如果你是新手:按「Learning Todo List」从上到下做,每完成一项就打勾。 - 如果你已经会 LLM 应用:从 Stage 2 或 Stage 3 开始,重点补 Agent loop、工具调用、评测和工程化。 - 如果你想做项目:直接看「Project Ladder」,每一档做一个可运行作品。 - 如果你只想找资料:看「Curated Resources」,优先读官方文档和经典论文。 What To Learn Now Agent 领域变化很快。当前更值得投入的不是老式“角色扮演多 agent 框架”,而是这些更贴近真实生产力的方向: | Priority | Learn | Why | | --- | --- | --- | | 1 | Claude Code / Codex-style coding agents | 真实代码库、shell、文件编辑、测试、权限、上下文压缩,是最好的 agent 工程样本。 | | 2 | Agent harness engineering | agent 的能力很大一部分来自 harness:工具协议、权限、状态、反馈、回放、CI、评测。 | | 3 | OpenClaw / Hermes-style personal agents | 长运行、本地优先、跨应用、记忆、skills、消息入口,更像“个人操作系统”。 | | 4 | Skills / MCP / A2A / ACP | skills 负责能力复用,MCP 连接工具,A2A 连接 agent,ACP 连接宿主应用。 | | 5 | Evaluation and safety | 没有 eval、trace、权限边界的 agent 只能算 demo。 | 不建议把精力重押在已经泛化成模板的老式 crew/role-play 框架上。它们可以了解,但不应成为主线。 Learning Todo List Stage 0: Understand What An Agent Is - [ ] 区分 chatbot、workflow、agent、multi-agent。 - [ ] 理解 agent 的基本循环:observe - think - act - observe。 - [ ] 明白什么时候不该用 agent:任务可预测、流程稳定、普通脚本能解决时,agent 反而增加不确定性。 - [ ] 读完 Anthropic: Building effective agents。 - [ ] 读完 OpenAI: A practical guide to building agents。 产出:写一页短笔记,回答「我的场景为什么需要 agent,而不是普通 workflow?」 Stage 1: Build A Minimal Agent Loop - [ ] 会用一个 LLM API 完成普通对话。 - [ ] 会让模型输出结构化 JSON。 - [ ] 会定义一个工具函数,例如 search、calculator、read_file。 - [ ] 会解析模型的 tool call / function call。 - [ ] 会执行工具,并把工具结果喂回模型。 - [ ] 会给 agent loop 加最大步数、超时和错误处理。 推荐阅读: - OpenAI Function Calling - Gemini API Function Calling - Claude Tool Use 产出:一个 50-150 行的最小 agent,可以选择工具、执行工具、返回最终答案。 Stage 2: Learn Tool Use, RAG, And Memory - [ ] 会做检索增强生成:chunk、embed、retrieve、answer with citations。 - [ ] 会把搜索、数据库、文件、浏览器、代码执行接成工具。 - [ ] 会区分短期上下文、会话记忆、长期记忆。 - [ ] 会处理工具失败、空结果、重复调用、幻觉引用。 - [ ] 会让 agent 在回答里给出来源或证据。 推荐阅读: - LlamaIndex Agents - LangChain Docs - Gemini API Code Execution - Model Context Protocol 开源项目参考: | Project | Why It Fits Stage 2 | | --- | --- | | GPT Researcher | 最接近“资料研究助手”的成品:搜索、抓取、筛选、引用、生成长报告。 | | Open Deep Research | LangGraph 写的 deep research 示例,适合学多轮搜索、状态管理和引用输出。 | | STORM | Stanford OVAL 的研究写作系统,适合学 outline、question asking、多视角资料综合。 | | Khoj | 个人 second brain,适合学本地文档、网页、语义搜索和长期记忆。 | | Onyx | 企业级 RAG/search assistant,适合学 connectors、hybrid search、权限和生产化。 | | AnythingLLM | 本地 RAG + agents 产品,适合初学者快速理解完整应用形态。 | | RAGFlow | 文档理解型 RAG 引擎,适合学 ingestion、chunking、retrieval、grounded answer。 | | mem0 | 记忆层组件,适合学如何给 agent 加长期 memory。 | | Letta | 面向 stateful agents 的 memory/context 平台,适合学上下文管理。 | 产出:一个资料研究助手,输入主题后自动搜索、筛选、总结并输出引用链接。 Stage 3: Study One Modern Agent Harness 先选一个现代 agent 系统学深。这里的重点不是“框架 API 怎么调”,而是它如何组织工具、上下文、权限、状态、日志、子任务和反馈。 | System | Best For | Learn This If You Want To | | --- | --- | --- | | Claude Code Docs